摘要：本文深入探讨了信息素更新技术在双种群蚁群算法框架内,针对旅行商问题(traveling salesman problem,TSP)求解效率与精度的提升作用。首先,通过全面检索TSP所有潜在路径,构建了一个详尽的路径集合,并计算每条路径对问题解决的贡献度。其次,引入了双种群蚁群算法,该算法综合考虑了信息素浓度与启发式信息,在路径更新过程中计算蚁群的转移概率。最后,计算遍历路径蒸发后的信息素浓度与残留,以此为依据,实现TSP的全局寻优。通过集成信息素更新技术,双种群蚁群算法在解决TSP时,不仅实现了对所有城市的遍历,还能避免遍历路径发生交叉、重叠,满足了最优路径的设计需求。

摘要：针对天然气输送管道优化模型中设计变量多,约束条件复杂的特点,以管道建设投资、压气站投资和运行费用最小为原则,运用蚁群算法和MATLAB语言编制了天然气输送管道数学模型的优化仿真程序,并对管道的选型、设计压力、压气站个数、压缩比及站间距离进行了优化设计。优化仿真结果表明,在满足管道强度约束、稳定性约束、能量平衡约束及边界约束的前提下,达到了费用最小,且优化效果好于遗传算法。从而证明了蚁群算法应用于天然气输送管道的优化设计是可行的。

摘要：针对多层雷达吸波涂层的结构特点，提出蚁群算法结合微遗传算法的全新优化设计方案。在给定最大厚度的约束条件下，在2～18GHz频率范围内，采用对不同频段给定不同吸收率的方案，对多层雷达吸波涂层进行了优化设计。实验数据表明，该融合算法获得的解比微遗传算法更为精确。这种融合算法为求解类似的组合约束优化问题提供了一种新的方法。

摘要：为解决混合流水车间分批调度问题,提出一种三级递阶结构的蚁群算法。算法中,第一级蚁群算法设计了一种批量大小动态结合的柔性分批策略,完成产品的批次划分;第二级蚁群算法考虑工件在各设备的加工时间和设备可用能力,设计蚂蚁设备间的转移概率,完成工序约束下各批次的设备选择;第三级蚁群算法考虑同一设备上批次顺序相关的换批时间,设计蚂蚁批次间的转移概率,完成各设备的批次排序。通过实例仿真,分别对分批算法和混合流水车间调度算法性能进行比较分析和评价,结果表明了算法的有效性和优越性。最后从生产实际出发给出算例,验证了算法的有效性和对生产实践的指导作用。

摘要：将蚁群算法与人工势场算法相结合,提出了一种新的寻优算法。在算法的设计过程中,首先引入人工势场法进行蚁群算法初始信息素的分配,避免了在迭代初始阶段,信息素太少与启发信息不成比例而使得蚂蚁集中在启发信息最强的路径上,从而陷入局部最优的问题。其次,通过引入势场引导函数改进蚁群算法的状态转移函数,避免了在三维空间中蚂蚁搜索容易忽视节点周围障碍物因素,从而陷入盲目选择导致搜索时间过长的问题。将优化算法应用于无人机三维航迹规划问题的求解,并通过仿真验证了有效性。

摘要：根据C型阻尼滤波器可抑制低次谐波,具有高通滤波性能,且基波有功功率损耗几乎为0的特性,采用蚁群算法和Matlab语言,以最低成本为目标,优化配置设计了C型阻尼滤波器。仿真结果表明:最小投资下,优化配置的滤波方案可有效消除大部分5、7、11、13次谐波电流;C型阻尼滤波器可提供无功功率补偿,证明蚁群算法应用于电力系统优化设计可行,优化效果优于遗传算法。

摘要：编组站调机运用计划为具有不同开工、完工时间窗口的单机调度问题,优化目标是最小化晚点列车的数量。为解决这一NPC问题,建立单机调度数学模型,采用蚁群算法求解。设计的算法步骤是,将调机运用问题描述成适合蚁群算法的形式,并进行初始化,考虑迭代过程中信息素对未来决策的影响程度,定义与问题相适应的转移概率,进而确定选择策略来平衡已有方案的利用和搜索空间的选择,采用2-opt方式的局部搜索策略来避免“早熟”或者“停滞”现象,同时在蚂蚁经过的路径上进行信息素更新,实现对该优化问题的有效求解。以某编组站有12列到达列车和少量暂存列车解体编组出12列出发列车为例,利用设计的蚁群算法步骤,求得到达列车的解体次序和出发列车的编组次序,验证了该算法在编组站的改编能力无法满足车流配送情况下实现合理安排调机的有效性。

摘要：敏捷卫星与传统非敏捷卫星相比,增加了俯仰和偏航两个自由度,提升了卫星的成像能力,也加大了搜索空间,使敏捷卫星的调度问题交得更加复杂,组合优化难度加大.蚁群算法是可有效求解敏捷卫星调度问题的方法之一。针对蚁群算法优化性能严重依赖于算法参数以及各个组件的设计的问题,提出利用均匀设计的方法优化组合算法的各个组件,设计出能有效求解敏捷卫星调度问题的蚁群算法.利用7个不同规模的实例进行实验,实验结果表明了方法的有效性.

摘要：针对城市交通路径选择问题,引入蚁群算法并将其改进为可同时满足对路程和时间最优的路径搜索算法,设计了相关的搜索规则和流程.在大量试验的基础上,讨论了算法中各种参数对路径搜索算法收敛性(包括收敛速度和准确度)的影响,并获得了一组最优的经验参数.分析了搜索中产生伪最优解路径的规律,并通过控制收敛速度和加快趋向最优路径对蚁群算法进行了优化.结果显示,所进行的优化能有效抑制伪最优路径的产生,在2个周期内即可完成搜索.

摘要：蚁群算法(ACO)作为一类新型的机器学习技术,已经广泛用于组合优化问题的求解,同时也应用于工业工程的优化设计.相对于遗传算法(GA),蚁群算法的理论研究在国内外均起步较晚,特别是收敛速度的分析理论是该领域急待解决的第一大公开问题.文中的研究内容主要是针对这一公开问题而开展的.根据蚁群算法的特性,该研究基于吸收态Markov过程的数学模型,提出了蚁群算法的收敛速度分析理论.作者给出了估算蚁群算法期望收敛时间的几个理论方法,以分析蚁群算法的收敛速度,并结合著名的ACS算法作了具体的案例研究.基于该文提出的收敛速度分析理论,作者还提出ACO-难和ACO-易两类问题的界定方法;最后,利用ACS算法求解TSP问题的实验数据,验证了文中提出的分析结论,得出了初步的算法设计指导原则.